移动机器人运动规划及跟踪控制研究

论文摘要

移动机器人作为机器人技术的一个重要分支,近年来得到了飞速的发展,应用领域越来越广,路径规划与运动控制是移动机器人研究的一个重要方向。本文以加拿大Quanser公司生产的Qbot移动机器人为研究对象,对移动机器人的路径规划与运动控制进行了研究,主要研究内容如下:首先,综述了移动机器人的应用及其导航控制技术,总结并分析了移动机器人路径规划与运动控制中常用的方法,介绍了移动机器人Qbot的体系结构以及PC机与Qbot组成的通信控制平台。其次,提出了基于神经网络和遗传算法的移动机器人路径规划算法。用神经网络对移动机器人的工作环境建模,使用文中提出的神经网络模型参数的更新规则对工作环境的神经网络模型中的参数进行调整,可以使该神经网络模型同样适用于动态环境。应用遗传算法对机器人的可行或最优路径进行搜索,并用Matlab对提出的路径规划算法进行了仿真研究,仿真结果表明,该路径规划算法是可行的。最后,建立了Qbot移动机器人的运动学模型,在此基础上,设计了两种道路跟随控制器,然后结合Lyapunov稳定性理论和反演控制理论设计基于运动学模型的轨迹跟踪控制器,并利用Lyapunov稳定性定理证明该控制器的全局稳定性。对所设计的控制器进行了仿真和实验研究,仿真和实验结果表明所设计的控制器是可行的、有效的。论文结尾对全文内容进行了总结并对移动机器人路径规划与跟踪控制研究进行了展望。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 选题的背景和意义
• 1.3 移动机器人导航
• 1.3.1 移动机器人路径规划的主要方法和分类
• 1.3.2 移动机器人反馈控制
• 1.4 论文的主要内容和组织结构
• 第2章 Qbot 移动机器人介绍
• 2.1 Qbot 机器人的体系结构
• 2.2 Qbot 的硬件配置
• 2.2.1 Qbot 的机械结构
• 2.2.2 Qbot 的传感系统
• 2.3 Qbot 移动机器人的软件组成
• 2.4 Qbot 移动机器人通讯控制平台
• 2.5 本章小结
• 第3章 基于人工神经网络的环境建模
• 3.1 人工神经网络概述
• 3.1.1 人工神经元模型
• 3.1.2 人工神经网络
• 3.1.3 神经网络的学习
• 3.2 环境中障碍物的神经网络表示
• 3.2.1 静态障碍物的神经网络
• 3.2.2 动态障碍物的神经网络参数更新规则
• 3.2.3 障碍物的运动描述及特征点跟踪
• 3.3 环境的神经网络表示
• 3.4 仿真结果
• 3.5 本章小结
• 第4章 基于遗传算法的路径搜索
• 4.1 遗传算法介绍
• 4.2 应用遗传算法搜索最优路径
• 4.2.1 设计路径编码方式
• 4.2.2 产生初始种群
• 4.2.3 建立综合适应度函数
• 4.2.4 设计遗传算子
• 4.2.5 修改后的遗传算法的操作步骤
• 4.3 仿真结果
• 4.4 本章小结
• 第5章 移动机器人的运动控制
• 5.1 轮式移动机器人的非完整性
• 5.2 非完整约束条件下轮式移动机器人的运动学模型
• 5.3 轮式移动机器人的道路跟随
• 5.4 轮式移动机器人的轨迹跟踪
• 5.4.1 Lyapunov 理论
• 5.4.2 移动机器人的反演控制
• 5.5 仿真与实验
• 5.6 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间承担的科研任务与主要成果
• 致谢
• 作者简介